无序城市化导致金沙萨城市洪水易发性

《Sustainable Cities and Society》：Unplanned urbanisation drives urban flood susceptibility in Kinshasa

　　

**摘要要点**

• 三种互补的机器学习算法联合对金沙萨的城市洪水风险进行空间制图。
• 人为因素和土地利用类型在洪水易发性中的权重高于地形因子。
• 三种模型均展现出较高的判别能力：AUC 为 0.977–0.986，TSS 为 0.949–0.959。
• SHAP 归因分析将主导因子与一个包含五项政策杠杆的行动矩阵相关联。
• 该开放数据框架可推广至非洲其他数据匮乏的超大城市。

**引言**

21世纪的可持续城市发展，在很大程度上取决于城市应对气候驱动型灾害的吸收、适应和恢复能力（Lee et al., 2020; Yu et al., 2022）。在撒哈拉以南非洲，城市人口预计到2050年将翻一番，这一能力正面临着一组独特挑战的严峻考验：不透水面快速扩张、排水系统长期投入不足，以及非正规居住区的高度聚集化模式（Byaruhanga et al., 2025; Safougne Djomekui et al., 2025; Leta and Adugna, 2023）。城市内涝已成为检验这一能力的典型压力测试：它同时削弱基础设施运行效能、扰乱城市代谢过程、损害公共卫生系统，并加深空间不平等（Ahmed et al., 2018; Saco et al., 2021; Furtak and Wolińska, 2023; Bakker et al., 2025）。因此，能够为城市内涝治理提供循证、空间显式且具有可解释性支持的工具，对于可持续城市议程以及可持续发展目标（SDG）11"可持续城市和社区"和SDG 13"气候行动"的落实至关重要。

机器学习方法已迅速成为城市内涝易发性制图的主导工具，其优势在于能够整合大量环境和人为变量，并捕捉城市化流域所特有的非线性交互作用（Mantelli et al., 2009; Arora et al., 2025; Wang et al., 2025; Asrade et al., 2026）。然而，这些方法并非凭空产生，目前可用于洪水易发性评估的三大类方法各自在优势和局限之间存在不同取舍。基于过程的水动力模型通过显式模拟地形、河道几何和水利参数条件下的水流运动，提供具有物理可解释性的输出结果，且在超出既往观测事件范围的情况下仍然有效；其主要局限在于需要高分辨率高程数据、长期的降雨-径流校准记录以及大量计算资源，而这些条件在数据匮乏、水文监测不完善的城市流域中往往难以满足（L?we et al., 2022）。相比之下，统计与知识驱动方法——包括频率比、逻辑回归、证据权重法和层次分析法/多准则决策分析（AHP/MCDA）——具有相对轻量、透明、易实施且数据需求较低的特点；其核心局限在于通常假定各影响因素之间存在线性或可加性关系，且随着预测变量数量的增加容易受到多重共线性问题困扰，通常迫使分析人员在方差膨胀因子筛选后预先剔除一个有限的变量子集，从而丢弃了因素交互作用方面的信息（Danielson, 2026）。

机器学习算法——包括最大熵模型（MaxEnt）、随机森林（RF）和Boost回归树（BRT）——在上述两类方法之间处于中间位置：无论是单独使用还是联合使用，它们对于相关性较高的、高维度的预测变量集都具有较强的鲁棒性，能够在不依赖强分布假设的前提下保留全部影响因素条件，同时捕捉各因子之间的阈值效应和非线性交互作用（Zhou et al., 2021）。其代价是相比统计方法而言可解释性较低，特别是基于树的算法对训练样本量有一定要求——需要足够大且具有代表性的发生记录以避免过拟合（Kern et al., 2019）。三种算法之间是互补而非可互换的关系：MaxEnt专为仅存在数据开发，在小规模发生样本上表现较为稳健，非常适合金沙萨这类相对稀疏的洪水发生记录；RF对噪声或相关性较高的预测变量相对不敏感，能提供稳定的变量重要性估计；BRT则通过顺序误差校正通常实现最高的判别精度，但代价是对超参数调优和过拟合的敏感性更高。这一选择并非出于便利：在支持向量机（SVM）、人工神经网络（ANN）和深度学习架构等其他成熟机器学习方法中，MaxEnt、RF和BRT之所以被优先选用，是因为深度学习和基于神经网络的模型通常需要规模大且类别平衡的训练样本，而金沙萨有限的洪水发生记录与之并不匹配；因为在相关易发性领域的对比基准研究中反复表明，SVM的性能高度依赖于核函数和超参数的选择，相对于基于树的集成方法并无一致性的优势（Ouma et al., 2023）；此外，RF和BRT能够与基于树的SHAP可解释器直接高效集成，产生精确而非近似的归因值，而SVM和神经网络架构则无法做到这一点。这种互补性促使我们联合对三种算法进行基准测试，而非依赖其中任何一种。

近期研究已表明，基于机器学习的易发性制图在城市场景中已趋于成熟：包括结合遥感和社会感知数据（Zhu et al., 2024），利用社交媒体数据流实现近实时的易发性更新（Li et al., 2023），以及将灰绿结合的雨洪基础设施优化整合入生命周期成本与韧性框架（Wang et al., 2023）。一项互补性的范围综述（Casali et al., 2022）强调，机器学习已成为涵盖从土地利用变化到灾害制图等全频谱城市空间分析的标准化分析基础。然而，在这一快速发展的领域内，本研究所追求的具体组合——系统性的多算法基准测试、可解释人工智能归因分析，以及将分析结果直接转化为可操作的治理框架，并应用于数据匮乏的非洲中部超大城市——据我们所知尚未经过检验。本研究正是填补这一空白：通过结合三种互补的机器学习算法与可解释AI归因分析（SHAP），并将输出结果直接嵌入一个明确的政策行动框架。

在区域层面，非洲超大城市具有高度异质性，但共享一组核心脆弱性驱动因素（Byaruhanga et al., 2025; Safougne Djomekui et al., 2025; Bakker et al., 2025; Korah et al., 2025; Leta and Adugna, 2023; Ramiaramanana and Teller, 2021; Thornton et al., 2014）。以拉各斯为例，超过60%的居民生活在非正规社区中，其中许多人处于易涝区域；安塔纳那利佛有23%的建筑和32%的人口直接暴露于洪水威胁之下，这些都说明了非洲大陆城市洪水暴露的严重程度（Bakker et al., 2025; Korah et al., 2025; Ramiaramanana and Teller, 2021）。在中部非洲的首都城市中，近期事件包括：2019年以来刚果（布）布拉柴维尔反复发生的洪水影响超过32万人（Congo-Brazzaville, 2024）；中非共和国班吉超过10万人受影响（République centrafricaine, 2024）；以及杜阿拉的建成区面积超过30%面临洪水暴露（Iroume et al., 2022; Bruckmann et al., 2019）。这些城市与金沙萨在结构特征上具有共性，使得比较性经验教训具有高度相关性。

金沙萨是刚果民主共和国（DRC）的首都，也是全球增长最快的超大城市之一，集中体现了上述所有驱动因素（Forte vulnérabilité et exposition, principaux facteurs des inondations meurtrières | Prevention, 2024; Mawe et al., 2025; Mugisho et al., 2024）。该市估计人口超过1400万，呈现出不透水面高强度增长、排水基础设施容量不足以及固体废物系统性堵塞排水网络等问题（Bao et al., 2025; Funke et al., 2025; K?iv-Vainik et al., 2022; Min and Tashiro, 2024）。破坏性最大的洪水事件均为降雨型（内涝），由强对流降雨与失效的城市水系统相互作用所致（Funke et al., 2025; Min and Tashiro, 2024）。2015年至2025年间，金沙萨经历了一系列累计性洪水事件，其中最严重的一次发生在2022年12月，造成超过140人死亡、约40000套住宅被毁，并对道路网络和供水服务造成重大中断（Funke et al., 2025; "DRC: The death toll from the floods in Kinshasa has risen to over 140" | Africanews, 2022）。2025年4月，人口稠密社区的进一步洪水事件又造成至少33人死亡。2019年损失评估中一个引人注目的特征是：约80%的破坏被归因于在易涝或不稳定区域的不受监管建设（Bakker et al., 2025; Mawe et al., 2025; Min and Tashiro, 2024），这表明暴露模式的核心在于治理赤字。

尽管面临如此沉重的负担，但针对非洲中部超大城市的城市内涝易发性，基于数据驱动、多模型且具有可解释性的评估仍十分稀少（Bahavira et al., 2025; Lutumba Kevin et al., 2025）。这一空白既是方法性的，也是治理层面的（Tshimanga, 2009）。在方法层面，现有以金沙萨为对象的研究仍局限于描述性制图或流域尺度的水动力模拟——后者如前文所述，依赖于在本区域环境下往往难以获取的数据（O'Loughlin et al., 2020），或局限于容易受多重共线性困扰的统计方法，从而使分析一般被限制在一个预先选定的一小部分条件因子中，既未进行多算法之间的对比基准测试，也未将易发性模式归因于具体的、可操作的驱动因素。从治理角度来看，现有评估很少将易发性输出转化为可操作的框架：尚不清楚哪一制度性行动主体和干预措施对应于每个主导驱动因素，使得市政规划者在预测地图与可执行的公共政策之间缺乏直接桥梁。本研究在以下三个方面与既有文献存在差异：（i）据我们所知，这是首个针对非洲中部超大城市应用的、能够处理该大型且相关性较高变量集的系统性多算法基准测试（MaxEnt、RF、BRT）；（ii）将该基准测试与可解释AI归因分析（SHAP）相结合，从而超越黑箱预测，实现因子层面的可解释性；以及（iii）将模型输出直接转化为一个结构化的政策行动矩阵，将每个主导驱动因素与制度性行动主体和可持续发展目标相关联——这一操作性步骤在很大程度上是既往城市内涝易发性研究所缺乏的。由此提出了一个与可持续城市治理直接相关的问题：金沙萨城市洪水风险的空间结构在多大程度上受地形和水文梯度的控制，而非土地利用变化和不受规划的城市化？同样对于面向可持续城市研究的受众而言，根据答案，哪些具体的治理杠杆最为可行？

本研究通过以下方式回答上述两个问题：（i）汇编2015年至2025年间金沙萨洪水发生记录的精选数据库；（ii）以十二个环境和人为条件因子为输入，训练三种互补的机器学习算法（MaxEnt、RF、BRT）；（iii）使用八种分类指标和最优阈值（TSS）二值化策略评估并比较模型性能与空间一致性；（iv）采用基于SHAP的归因分析量化各驱动因素的贡献；以及（v）将这些模型输出转化为一个结构化的政策行动矩阵，将每个主导驱动因素映射到具体的城市治理干预措施、责任制度性行动主体以及可持续发展目标关联。我们假设：在金沙萨的具体情境下，与不受规划的城市化和不透水面扩张相关联的人为驱动因素在塑造城市内涝易发性空间分布方面的权重高于纯粹的地形变量。本研究的预期贡献既具方法性——一个多模型、可解释、开放数据的框架——又具有政策导向性，为市政规划者提供高分辨率地图，可直接用于排水优先级排序、土地利用调控以及基于自然的干预措施定位。

**章节片段**

**研究区**

本研究涵盖位于刚果河南岸、刚果民主共和国境内的金沙萨省-市。该市由多条城市河流排水，包括Nsele河、Ndjili河、Gombe河、Funa河、Basoko河和Ndolo河，它们均为刚果河的支流（Lateef et al., 2010）。地形呈异质性，西北部的广阔冲积平原与环绕中部盆地的一组山丘（包括Ngaliema山，海拔从240米到400米）相结合（Inondations à Kinshasa, 2015）。

**变量重要性与多重共线性**

信息增益比（InGR，图4）以人为变量和地表覆盖变量为主导：建成区和人口密度并列最具信息量的预测因子（InGR = 0.172），紧随其后的是归一化植被指数（NDVI，0.161）、裸土指数（0.159）和高程（0.098）。地形和水文变量（HAND、TWI、TRI、汇流累积、坡度、河流距离和SPI_log）的贡献明显较低（InGR < 0.05）。在金沙萨的城市环境下，人为过程——

**人为驱动因素主导金沙萨的城市内涝易发性**

本研究的主要科学贡献在于：通过三种独立的机器学习算法和一份精选的洪水发生数据库，证明了金沙萨洪水易发性的空间分布主要由人为和土地利用类型变量控制，而非纯粹的地形梯度。在MaxEnt、随机森林和BRT三种模型中，建成区、人口密度、NDVI和土地利用类型一致地成为最强的预测因子，而TWI、TRI、坡度和SPI——

**政策与治理框架**

第3节"结果"和第4节"讨论"中报告的科学发现可以转化为一个结构化的治理框架。人为驱动因素的主导地位意味着，从第一性近似来看，金沙萨的洪水问题是一个规划和土地利用问题，而非纯粹的水利工程问题。

SHAP所提供的可解释性使我们能够将每个主要驱动因素与特定的治理杠杆、负责的管理主体以及可持续发展目标（SDG）对齐相关联。结论本研究提供了一种多模型、SHAP可解释的金沙萨城市洪水易发性评估方法，在可重复、开放数据的工作流程中整合了十二个环境和人为条件因子。三种互补的机器学习算法——MaxEnt、随机森林和增强回归树——得出了高度一致的研究结果：金沙萨的洪水易发性主要受土地利用、建成区面积、人口密度和植被的影响，而受其他因素影响极为有限。

CRediT作者贡献声明
Christian Ibolobolo Mobali：概念化、方法论、数据整理、验证、撰写审阅与编辑。
Dav Ebengo：概念化、方法论、软件、形式化分析、数据整理、撰写初稿、撰写审阅与编辑、可视化、监督。
Raphael Tshimanga：撰写审阅与编辑。

生成式AI及AI辅助技术在写作过程中的使用声明
在准备本工作过程中，作者使用了AI辅助技术支持语言编辑和稿件结构审阅。在使用这些工具后，作者对内容进行了审阅和编辑，并对出版物的全部内容承担全部责任。

数据可用性
本研究中使用的所有输入数据集均可从其各自提供商公开获取（链接见2.3节及参考文献列表）。整理好的洪水发生数据库（n = 112个点）以及用于复现MaxEnt、随机森林和BRT分析、交叉验证流程、SHAP计算、地图二值化工作流和政策行动矩阵的Python 3.9代码将在论文被接受后存入Zenodo仓库，并在修订阶段插入永久DOI。

资助
本研究未获得公共、私营或非营利资助机构的任何专项资助。INRB提供了机构支持。

利益冲突声明
作者声明，没有已知的可能对本论文所报道的工作产生影响的经济利益冲突或个人关系。

未引用参考文献
Hernandeze等，2026年，刚果共和国（刚果共和国）2024年洪水，刚果民主共和国2026年，刚果民主共和国 2024年，Saco等，2026年，Wouters等，2010年。

CRediT作者贡献声明
Christian M. Ibolobolo：撰写初稿、可视化、形式化分析、概念化。
Dav M. Ebengo：撰写审阅与编辑、验证、监督、方法论、概念化。
Raphael M. Tshimanga：撰写审阅与编辑。

利益冲突声明
作者声明，没有已知的可能对本论文所报道的工作产生影响的经济利益冲突或个人关系。

致谢
作者感谢INRB建模与流行病学情报部门的机构支持。我们感谢参与记录金沙萨洪水的人道主义和科学合作伙伴，以及本研究所使用的开放获取数据集的提供商（ESA、Copernicus、欧盟联合研究中心、WorldPop、人道主义数据交换、USGS）。

Christian M. Ibolobolo | Dav M. Ebengo | Raphael M. Tshimanga